Rendimientos Chiller#
import plotly.express as px
import statsmodels.api as sm
import pandas as pd
import numpy as np
# Filtrar los datos
df_filtered = df_pivot[(df_pivot['potencia-activa'] >= 50) &
(df_pivot['eficiencia-chiller'] >= 0.4) &
(df_pivot['eficiencia-chiller'] <= 2) &
(df_pivot['potencia-termica'] >= 40) &
(df_pivot['potencia-termica'] <= 300)]
# Crear un gráfico de dispersión con colores de acuerdo a 'potencia-termica'
figx = px.scatter(df_filtered,
x='potencia-activa',
y='eficiencia-chiller',
color='potencia-termica',
color_continuous_scale='jet')
# Ajuste de LOESS
lowess = sm.nonparametric.lowess
z = lowess(df_filtered['eficiencia-chiller'], df_filtered['potencia-activa'], frac=0.3)
df_trend = pd.DataFrame(z, columns=['potencia-activa', 'eficiencia-chiller'])
# Añadir la línea de tendencia al gráfico con color rojo
figx.add_traces(px.line(df_trend, x='potencia-activa', y='eficiencia-chiller').update_traces(line=dict(color='red')).data)
# Actualizar el título y las etiquetas
figx.update_layout(title='Relación entre Rendimiento Chiller y Potencia Activa',
xaxis_title='Potencia Activa [kW]',
yaxis_title='Rendimiento Chiller [kW/TR]')
# Mostrar el gráfico
figx.show()
"""
import plotly.express as px
from sklearn.cluster import KMeans
# Filtrar los datos
df_filtered = df_pivot[(df_pivot['potencia-activa'] >= 50) & (df_pivot['eficiencia-chiller'] >=0.4 ) & (df_pivot['eficiencia-chiller'] <=2 )]
# Aplicar K-Means para agrupar los datos por potencia activa
kmeans = KMeans(n_clusters=3)
df_filtered['cluster'] = kmeans.fit_predict(df_filtered[['eficiencia-chiller']])
# Crear un gráfico de dispersión con colores de acuerdo a los clusters
figx = px.scatter(df_filtered, x='potencia-activa', y='eficiencia-chiller', trendline='ols', color='cluster',
color_continuous_scale='viridis')
# Actualizar el título y las etiquetas
figx.update_layout(title='Relación entre Rendimiento Chiller y Potencia Activa', xaxis_title='Potencia Activa [kW]',
yaxis_title='Rendimiento Chiller [kW/TR]')
# Mostrar el gráfico
figx.show()
"""
"\nimport plotly.express as px\nfrom sklearn.cluster import KMeans\n\n# Filtrar los datos\ndf_filtered = df_pivot[(df_pivot['potencia-activa'] >= 50) & (df_pivot['eficiencia-chiller'] >=0.4 ) & (df_pivot['eficiencia-chiller'] <=2 )]\n\n# Aplicar K-Means para agrupar los datos por potencia activa\nkmeans = KMeans(n_clusters=3) \ndf_filtered['cluster'] = kmeans.fit_predict(df_filtered[['eficiencia-chiller']])\n\n# Crear un gráfico de dispersión con colores de acuerdo a los clusters\nfigx = px.scatter(df_filtered, x='potencia-activa', y='eficiencia-chiller', trendline='ols', color='cluster', \n color_continuous_scale='viridis')\n\n# Actualizar el título y las etiquetas\nfigx.update_layout(title='Relación entre Rendimiento Chiller y Potencia Activa', xaxis_title='Potencia Activa [kW]', \n yaxis_title='Rendimiento Chiller [kW/TR]')\n\n# Mostrar el gráfico\nfigx.show()\n"
###nonon
import plotly.express as px
import statsmodels.api as sm
import pandas as pd
import numpy as np
# Filtrar los datos
df_filtered = df_pivot[(df_pivot['potencia-activa'] >= 50) &
(df_pivot['potencia-termica'] >=40) &
(df_pivot['potencia-termica'] <=300)&
(df_pivot['eficiencia-chiller'] >=0.4) &
(df_pivot['eficiencia-chiller'] <=2 )]
# Crear un gráfico de dispersión con colores de acuerdo a 'potencia-termica'
figx = px.scatter(df_filtered,
x='potencia-termica',
y='eficiencia-chiller',
color='potencia-activa',
color_continuous_scale='viridis')
# Ajuste de LOESS
lowess = sm.nonparametric.lowess
z = lowess(df_filtered['eficiencia-chiller'], df_filtered['potencia-termica'], frac=0.3)
df_trend = pd.DataFrame(z, columns=['potencia-termica', 'eficiencia-chiller'])
# Añadir la línea de tendencia al gráfico con color rojo
figx.add_traces(px.line(df_trend, x='potencia-termica', y='eficiencia-chiller').update_traces(line=dict(color='red')).data)
# Actualizar el título y las etiquetas
figx.update_layout(title='Relación entre Rendimiento Chiller y Potencia termica',
xaxis_title='Potencia Termica [TR]',
yaxis_title='Rendimiento Chiller [kW/TR]')
# Mostrar el gráfico
figx.show()
---------------------------------------------------------------------------
KeyboardInterrupt Traceback (most recent call last)
File <__array_function__ internals>:177, in sum(*args, **kwargs)
KeyboardInterrupt:
Exception ignored in: 'statsmodels.nonparametric._smoothers_lowess.calculate_weights'
Traceback (most recent call last):
File "<__array_function__ internals>", line 177, in sum
KeyboardInterrupt:
import plotly.express as px
import statsmodels.api as sm
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
# Filtrar los datos
df_filtered_2 = df_pivot[(df_pivot['potencia-termica'] >= 40) &
(df_pivot['potencia-termica'] <= 300) &
(df_pivot['eficiencia-chiller'] >= 0.4) &
(df_pivot['eficiencia-chiller'] <= 2) &
(df_pivot['potencia-activa'] >= 50)]
# Crear un gráfico de dispersión con colores de acuerdo a 'potencia-activa'
figx = px.scatter(df_filtered_2,
x='potencia-termica',
y='eficiencia-chiller',
color='potencia-activa',
color_continuous_scale='jet')
# Ajuste de LOESS
lowess = sm.nonparametric.lowess
z = lowess(df_filtered_2['eficiencia-chiller'], df_filtered_2['potencia-termica'], frac=0.3)
df_trend = pd.DataFrame(z, columns=['potencia-termica', 'eficiencia-chiller'])
# Añadir la línea de tendencia al gráfico con color rojo
figx.add_traces(px.line(df_trend, x='potencia-termica', y='eficiencia-chiller').update_traces(line=dict(color='red')).data)
# Actualizar el título y las etiquetas
figx.update_layout(title='Relación entre Rendimiento Chiller y Potencia Térmica',
xaxis_title='Potencia Térmica [TR]',
yaxis_title='Rendimiento Chiller [kW/TR]')
# Mostrar el gráfico
figx.show()